Este relatório traz os dados gerais sobre a evolução das delegações brasileiras a conferências multilaterais de meio ambiente. Em linhas gerais, trazemos os dados sobre o tamanho das delegações e sobre o perfil das delegações.
Relatório mais recente: “2024-12-18”
Versão da planilha deleg: 2023-12-20
Versão da planilha orgs: 2023-11-23, 2023-12-20
Versão da planilha class: 2022-06-29
Versão da planilha eventos: 2023-12-14
Arrumar o tamanho do texto e a largura das figuras, que estão muito estreitas. Com essa largura, é inviável o facet de duas colunas (números de ano muito espremidos)
A partir de 2015, os dados referentes às COPs da UNFCCC sofrem uma mudança importante: o Brasil passa a registrar os membros da delegação oriundos da sociedade civil como ‘party overflow’. Participantes nessa categoria não têm seu nome incluído nas listas oficiais de participantes, o que representa importante quebra nos nossos dados. Consequentemente, a diferença pré e pós 2015 nos dados de tamanho e, principalmente, perfil da delegação deve ser analisada com cautela.
Ao analisar alguns dados, é importante ter em mente os critérios para atribuição da organização ao participante. Quando há mais de uma organização, por exemplo, optei por classificar com a organização de menor nível (ex.: CNI e Suzano SA, vai como Suzano). Isso pode aumentar a variedade de atores, dado que empresas e ONGs muitas vezes se organizam como redes e federações. Valeria revisitar os critérios na construção do banco para ver se há outras questões relevantes, seja nessa etapa, seja na classificação de tipo_org (ex.: o que é um órgão de pesquisa? quando organização governamental é uma diferente e quando é reduzida ao órgão superior?)
Antes de apresentar os dados, é preciso construir o banco principal integrando os dados dos bancos parciais (eventos, delegações, indivíduos) no R. O script para isso será incluído aqui, mas rodado de forma silenciosa.
## Importando os dados ------------
getlatest_file <- function(basefilename){
list.files(pattern = paste0(basefilename, "-.+\\.csv"))
}
deleg <- read_delim(getlatest_file("deleg"),
";", escape_double = FALSE,
col_types = cols(
#X1 = col_skip()
),
#locale = locale(encoding = "ISO-8859-1"),
trim_ws = TRUE)
orgs <- read_delim(getlatest_file("orgs"),
";", escape_double = FALSE,
col_types = cols(
#X1 = col_skip()
),
locale = locale(encoding = "UTF-8"),
trim_ws = TRUE) %>% distinct()
class <- read_delim(getlatest_file("class"),
";", escape_double = FALSE,
col_types = cols(
#X1 = col_skip()
),
locale = locale(encoding = "ISO-8859-1"),
trim_ws = TRUE) %>% distinct()
eventos <- read_delim(getlatest_file("eventos"),
";", escape_double = FALSE,
locale = locale(encoding = "UTF-8"),
trim_ws = TRUE)
# Criando deleg_completo (deleg+orgs+class) --------
orgs_classificado <- left_join(orgs, class) %>% select(-c(org_sujo, org_detalhe_sujo))
# N de rows aumenta, porque tem orgs que ficaram apenas na class e saíram da lista orgs (foram erros na padronização e corrigidos posteriormente)
# Teste (resultado deve ser tibble vazio): left_join(orgs, class, by = "id_org_unica") %>% filter(org_limpo.x != org_limpo.y)
deleg_completo <- deleg %>% select(-c(org, org_detalhe)) %>% left_join(orgs_classificado, by = "id_org_dupla")
# Limpando deleg_completo
deleg_completo <- deleg_completo %>% mutate(across(where(is.character), str_trim))
rm(deleg, orgs, class)
# Limpando a base dos eventos --------
### Limpar e renomear colunas
eventos <- eventos %>%
#retira colunas irrelevantes
select(-c(5,8,9,15,16,17,18)) %>% # indexar por nome não estava funcionando
# select(-c(`Código ONU`, `Comentário`,
# `Formato lista`, `Aberto?`, `Questões a atentar`,
# Corrigendum, Local)) %>%
rename(#renomeia colunas
conf = `Nome do evento`,
conference = `Conf/Conv`,
tema = `Regime/Tema`,
data = Data,
location = Locale,
tipo_evento = `Tipo evento`,
infMEA_list = `Lista MEA?`,
coleta = `Coleta?`,
proces = `Proces.?`,
mainconf = `Principais convenções + gdes conf`
)
eventos <- eventos %>% mutate(
data = if_else(str_count(data)==4, #se falta o mês (só ano)
paste0(data, "-01"), #padroniza como janeiro
data)) %>%
mutate(
data = if_else(is.na(data)== F,
paste0(data, "-01"), #padroniza data no dia 1 do mês
data)
) %>% mutate(data = lubridate::ymd(data),
ano = lubridate::year(lubridate::ymd(data)))
eventos <- eventos %>% mutate(across(where(is.character), str_trim))
Os dados apresentados aqui correspondem à base completa, isto é, não apenas ao período entre 1970 e 2018, para o qual houve coleta sistemática. Sendo assim, é preciso tomar cuidado extra ao interpretar dados pré 1970 e pós 2018.
A base será filtrada mais adiante. [é importante retirar pós 2018, porque os pontos de 2019 e 2020 sugerem uma tendência que não existe, o que afeta a interpretação do gráfico - algo que poderia ser estabilidade será lido como queda, por exemplo]
#preparar a base do tamanho deleg
deleg_evento <- left_join(deleg_completo,
select(eventos, c(conf, tema, ano, tipo_evento, infMEA_list)))
# identificando os eventos p/ os quais o BR nao enviou delegação:
eventos_semdeleg <- tibble(conf = setdiff(eventos[eventos$coleta=="Sim" & !is.na(eventos$coleta),]$conf, unique(deleg_completo$conf))) %>%
left_join(eventos) %>%
mutate(count = 0)
# contagem de tamanho da delegação, incluindo eventos acima como deleg_size = 0
deleg_size <- deleg_evento %>% group_by(conf, ano) %>% summarize(count = n()) %>%
bind_rows(select(eventos_semdeleg, c(conf, ano, count)))
# filtrando apenas delegações entre 1970 e 2018
eventos_filtrados <- eventos %>% filter(ano >= 1970 & ano <=2018) %>% pull(conf)
deleg_evento <- filter(deleg_evento, conf %in% eventos_filtrados)
deleg_size <- filter(deleg_size, conf %in% eventos_filtrados)
deleg_completo <- filter(deleg_completo, conf %in% eventos_filtrados)
stats_deleg <- deleg_size %>% group_by(ano) %>%
summarise(deleg_media = mean(count),
deleg_mediana = mean(count),
sd_deleg_size = sd(count),
n_events = n()
)
[Talvez valesse calcular algumas medidas básicas também: crescimento médio/ano etc]
A medida mais simples para compreender o crescimento das delegações ao longo do tempo é o tamanho médio das delegações por ano.
Como usamos a média, é importante observar também a variabilidade dos dados.
O desvio padrão é baixo até a década de 1990, porque raramente há duas ou mais conferências no mesmo ano. O número de eventos cresce em seguida, mas é nos 2000 que o desvio aumenta - provavelmente puxado por conferências grandes como as de clima. A trajetória é similar à vista no tamanho médio de delegação. Não há diferença entre média e mediana, de modo que não plotei a mediana.
Vejamos também a média e o desvio padrão para cada década:
| decade | n_events | mean | sd | pctile75 | pctile90 | max |
|---|---|---|---|---|---|---|
| 70s | 19 | 4.947368 | 6.899869 | 5.50 | 7.8 | 31 |
| 80s | 32 | 2.375000 | 2.059596 | 3.25 | 5.9 | 7 |
| 90s | 70 | 10.128571 | 19.529184 | 8.00 | 14.0 | 157 |
| 00s | 89 | 29.685393 | 75.270210 | 11.00 | 70.6 | 564 |
| 10s | 93 | 45.075269 | 163.554222 | 10.00 | 115.2 | 1467 |
E por tema.
deleg_size %>% left_join(eventos %>% select(c(conf, tema))) %>%
group_by(tema) %>% summarise(mean = mean(count), sd = sd(count)) %>%
knitr::kable("simple")
| tema | mean | sd |
|---|---|---|
| Biodiversidade - CBD | 42.368421 | 49.439312 |
| Biodiversidade - Espécies | 4.160000 | 3.847943 |
| Biodiversidade - Plantas | 4.320000 | 2.764658 |
| Biodiversidade - UNESCO | 2.000000 | 1.632993 |
| Clima | 95.702703 | 126.122926 |
| Desertificação | 12.187500 | 12.416219 |
| Florestas | 4.763158 | 3.131654 |
| Governança ambiental | 4.500000 | 1.643168 |
| Grandes conferências ONU | 169.666667 | 417.123120 |
| Lixo tóxico e químicos | 7.914286 | 4.616922 |
| Oceano | 5.358974 | 1.979994 |
| Ozônio | 5.121951 | 2.675772 |
Vemos que há uma diferença clara entre um grupo de temas (CBD, Clima, Gdes conferências ONU) e os demais no tamanho das delegações. Vejamos a diferença e, em seguida, o detalhamento por década para os temas ‘menores’
deleg_size %>% left_join(eventos %>% select(c(conf, tema))) %>%
mutate(gdestemas = if_else(
tema %in% c("Biodiversidade - CBD", "Clima",
"Grandes conferências ONU"),
"Temas destaque", "Temas menores")
) %>% group_by(gdestemas) %>%
summarise(n_events = n(), mean = mean(count), sd = sd(count),
pctile75 = quantile(count, 0.75) %>% unname(),
pctile90 = quantile(count, 0.9) %>% unname(),
max = max(count)
) %>%
knitr::kable("simple")
| gdestemas | n_events | mean | sd | pctile75 | pctile90 | max |
|---|---|---|---|---|---|---|
| Temas destaque | 68 | 93.85294 | 198.878142 | 119.5 | 210 | 1467 |
| Temas menores | 235 | 5.66383 | 4.874687 | 7.5 | 10 | 55 |
deleg_size %>% left_join(eventos %>% select(c(conf, tema))) %>%
filter(!tema %in% c("Biodiversidade - CBD", "Clima",
"Grandes conferências ONU")) %>%
mutate(decade = cut(ano, breaks = c(1970, 1979, 1989, 1999, 2009, 2019),
include.lowest = T,
labels = c("70s","80s","90s","00s","10s"),
ordered_result = TRUE)) %>%
group_by(decade) %>% summarise(mean = mean(count), sd = sd(count)) %>%
knitr::kable("simple", caption = "Apenas conferências dos temas menores")
| decade | mean | sd |
|---|---|---|
| 70s | 3.352941 | 2.892689 |
| 80s | 2.387097 | 2.092485 |
| 90s | 6.487805 | 8.176558 |
| 00s | 6.457143 | 3.689726 |
| 10s | 6.342105 | 3.917661 |
Para a comparação entre os temas, pareceu interessante saber também quanto cada tema representa no total dos participantes (dividido por década).
deleg_size %>%
left_join(eventos %>% select(c(conf, tema))) %>%
mutate(decade = cut(ano, breaks = c(1970, 1979, 1989, 1999, 2009, 2019),
include.lowest = T,
labels = c("70s","80s","90s","00s","10s"),
ordered_result = TRUE)) %>%
group_by(decade, tema) %>%
summarise(countsum = sum(count)) %>%
knitr::kable("simple", caption = "Total participações por tema")
| decade | tema | countsum |
|---|---|---|
| 70s | Biodiversidade - Espécies | 2 |
| 70s | Biodiversidade - UNESCO | 2 |
| 70s | Florestas | 11 |
| 70s | Governança ambiental | 12 |
| 70s | Grandes conferências ONU | 37 |
| 70s | Oceano | 30 |
| 80s | Biodiversidade - CBD | 2 |
| 80s | Biodiversidade - Espécies | 11 |
| 80s | Biodiversidade - UNESCO | 11 |
| 80s | Florestas | 15 |
| 80s | Governança ambiental | 9 |
| 80s | Lixo tóxico e químicos | 0 |
| 80s | Oceano | 24 |
| 80s | Ozônio | 4 |
| 90s | Biodiversidade - CBD | 69 |
| 90s | Biodiversidade - Espécies | 24 |
| 90s | Biodiversidade - Plantas | 30 |
| 90s | Biodiversidade - UNESCO | 3 |
| 90s | Clima | 169 |
| 90s | Desertificação | 80 |
| 90s | Florestas | 15 |
| 90s | Grandes conferências ONU | 205 |
| 90s | Lixo tóxico e químicos | 12 |
| 90s | Oceano | 27 |
| 90s | Ozônio | 75 |
| 00s | Biodiversidade - CBD | 268 |
| 00s | Biodiversidade - Espécies | 43 |
| 00s | Biodiversidade - Plantas | 42 |
| 00s | Clima | 1611 |
| 00s | Desertificação | 77 |
| 00s | Florestas | 31 |
| 00s | Grandes conferências ONU | 311 |
| 00s | Lixo tóxico e químicos | 116 |
| 00s | Oceano | 67 |
| 00s | Ozônio | 76 |
| 10s | Biodiversidade - CBD | 466 |
| 10s | Biodiversidade - Espécies | 24 |
| 10s | Biodiversidade - Plantas | 36 |
| 10s | Biodiversidade - UNESCO | 4 |
| 10s | Clima | 1761 |
| 10s | Desertificação | 38 |
| 10s | Florestas | 109 |
| 10s | Governança ambiental | 6 |
| 10s | Grandes conferências ONU | 1483 |
| 10s | Lixo tóxico e químicos | 149 |
| 10s | Oceano | 61 |
| 10s | Ozônio | 55 |
Os dados acima sugerem que as delegações são, em sua grande maioria, pequenas, havendo apenas um número reduzido de eventos com delegações grandes. Vejamos como a variável deleg_size está distribuída.
## Warning: Removed 19 rows containing non-finite outside the scale range
## (`stat_bin()`).
## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_bar()`).
| x | |
|---|---|
| 50% | 6.00 |
| 70% | 8.00 |
| 80% | 10.00 |
| 90% | 32.60 |
| 95% | 126.40 |
| 99% | 285.94 |
| 100% | 1467.00 |
Vemos que mais de 50% das delegações têm até 6 membros. Se chegamos a 10, esse percentual já chega a 80%. Apenas o top 10% de tamanho têm mais de 30 (sendo 303 o total de delegações, isso significa cerca de 30! - são 34 eventos com 30 ou mais)
As medidas-resumo permitem ver a tendência, mas ainda escondem a variação e a quantidade de dados por trás da medida. Para visualizar esses pontos, recorremos aos gráficos de dispersão.
Como se vê, a variação a partir dos anos 2000 é muito maior. A média (linha vermelha) não parece uma descrição muito boa dos dados.
No gráfico de dispersão abaixo, cada círculo corresponde a um evento. Cores variam conforme o tema do evento, e eventos ocorridos no Brasil foram marcados com um triângulo.
deleg_size <- deleg_size %>%
left_join(select(eventos, c(conf, location, tema))) %>%
mutate(
Local = if_else(str_detect(location, "Brazil"),
"Brasil", "Fora do Brasil/Sem info"),
Tema = if_else(tema != "Clima" & tema != "Grandes conferências ONU",
"Outros", tema)
) %>%
mutate(
Local = if_else(is.na(Local), "Fora do Brasil/Sem info", Local),
Tema = if_else(tema == "Grandes conferências ONU",
"Des. Sustentável", Tema)
)
A figura mostra claramente que as conferências de clima apresentam uma tendência de ascensão nos anos 90 e 2000, seguida de uma queda acentuada pós 2009 (COP15). Após 2015, parece haver estabilidade em um novo patamar, acima do observado em décadas anteriores. A participação nas conferências de desenvolvimento sustentável da ONU (Estocolmo 72, Rio 92, Joanesburgo 2002, Rio 2012) costuma ser muito mais alta do que a nas demais conferências do período. Embora Estocolmo tenha uma delegação grande se comparada com as enviadas para os demais eventos do período (31 pessoas), trata-se de uma delegação pequena para o padrão das conferências de desenvolvimento sustentável pós 92. Note-se que há alguns eventos em verde, portanto de desenvolvimento sustentável, com delegações pequenas já depois de 90 - trata-se, aqui, das PrepComs para as grandes conferências. É esperado que a delegação nesse tipo de evento seja menor, como exploraremos mais adiante.
Nota: no site da ONU são elencadas algumas outras conferências multilaterais sobre desenvolvimento sustentável, que não foram incluídas na base. Ex.: UNGASS-19 (uma sessão especial da AG-ONU em 97, chamada de Rio+5); Cúpula de Desenvolvimento SUstentável da ONU em 2015; Como resultado das conferências, foram também criados alguns fóruns sobre o tema - alguns incluídos no tema ‘Governança ambiental’, outros não. Um deles, que deveria ter sido incluído mas não foi, é o CSD da ONU, que se reúne periodicamente. É possível que a ausência desses eventos na base infle o tema desenvolvimento sustentável - efetivamente, originalmente a categoria que destacamos no gráfico era chamada de “Grandes conferências ONU” na base.
[se julgar interessante, dar precisão a esses dados e à diferença - Estocolmo é x vezes maior que a média da década de 70 (sem unche), etc]
Vejamos se, ao retirar os eventos de clima e as grandes conferências de desenvolvimento sustentável, podemos discernir algum padrão nas delegações dos temas de menor visibilidade.
## Joining with `by = join_by(conf, tema)`
O próximo gráfico mostra apenas as conferências de biodiversidade, que apresentam um patamar de participação superior aos demais temas. Para todo o período, a delegação média nas conferências de biodiversidade é de 13.1265823. Se observarmos apenas os eventos da CDB, 42.3684211
## Joining with `by = join_by(conf, tema)`
## `geom_smooth()` using formula = 'y ~ x'
Vemos que a CBD claramente tem um patamar de participação mais elevado que os demais eventos de biodiversidade, cujas delegações seguem o padrão das conferências mais “técnicas” - raramente passando dos 10 delegados. Houve um grande crescimento das delegações à CBD ao compararmos a década de 90 e 2000 (nos 90, a delegação média é de 9.8571429; nos 2000 44.6666667; na década de 2010, 93.2). Essa evolução é semelhante à observada na arena de clima, mas aparece de forma menos clara (e menos intensa) em biodiversidade. A variação entre eventos é maior na CBD, o que provavelmente reflete seu caráter bianual (ao invés de anual, como na UNFCCC) e a maior dificuldade de manter a visibilidade do tema.
Observemos, agora, as delegações aos eventos com outros temas:
Vemos que, à exceção de Clima, Biodiversidade, e das grandes Conferências de Desenvolvimento Sustentável, os temas seguem praticamente a mesma tendência. Há relativa estabilidade, com um número baixo de participantes por delegação. A única exceção foi a 3ª COP da Convenção de Desertificação, realizada em Recife em 1999, para a qual o Brasil enviou 55 representantes. Se observamos a linha de tendência (uma loess), vemos que houve um leve aumento no tamanho da delegação a partir da segunda metade dos 90 e, especialmente, dos anos 2000.
Apesar do número reduzido de observações em alguns temas, vemos uma leve tendência de crescimento na participação nas áreas de Ozônio e de Lixo Tóxico e Químicos. Nos demais casos, a julgar por nossos dados, a variação não parece ser significativa o suficiente para ser caracterizada como uma tendência.
Os dados sobre o número e tipo das organizações participantes (sem olhar para a quantidade de indivíduos pertencentes à organização) nos dão uma primeira noção sobre a diversidade das delegações brasileiras. Quanto mais organizações presentes – e quanto mais diversas entre si as organizações, ie, orgs de diferentes “tipos” – podemos dizer que mais diversa é a delegação brasileira no sentido de incluir atores distintos. Evidentemente, é preciso levar em conta também a diferença no espaço dado a essas organizações, o que será avaliado mais adiante (e qualitativamente na pesquisa)
Como esperado, vemos um crescimento na década de 1990, sobretudo a partir da Rio 92 e acelerando na segunda metade da década. Na década de 2000, o crescimento é acelerado, tendo um pico em 2009 (COP Clima de Copenhagen). O ponto máximo do gráfico é, de longe, 2012, quando ocorre a Rio+20. Interessante ver que a década de 2010 é um período de queda, mesmo desconsiderando o outlier 2012 e já antes da mudança na regra das delegações de clima (sociedade civil como party overflow, saindo das listas).
Cálculos pontuais para o artigo
## Joining with `by = join_by(ano)`
| dec | total_orgs |
|---|---|
| 00s | 247 |
| 10s | 376 |
| 90s | 27 |
## Joining with `by = join_by(ano)`
| pr | total_orgs |
|---|---|
| Collor | 7 |
| Dilma | 178 |
| FHC | 66 |
| Itamar | 3 |
| Lula | 342 |
| Temer | 54 |
## Joining with `by = join_by(ano)`
| dec | avg_numorgs |
|---|---|
| 00s | 49.400000 |
| 10s | 64.777778 |
| 90s | 6.222222 |
## Joining with `by = join_by(ano)`
| pr | avg_numorgs |
|---|---|
| Collor | 5.00000 |
| Dilma | 70.20000 |
| FHC | 14.37500 |
| Itamar | 3.00000 |
| Lula | 70.37500 |
| Temer | 29.33333 |
## [1] 57.25
## [1] 35.5
## [1] 34
| tema | mean |
|---|---|
| Biodiversidade - CBD | 17.647059 |
| Biodiversidade - Espécies | 2.684210 |
| Biodiversidade - Plantas | 2.363636 |
| Biodiversidade - UNESCO | 1.125000 |
| Clima | 41.464286 |
| Desertificação | 4.133333 |
| Florestas | 2.769231 |
| Governança ambiental | 1.833333 |
| Grandes conferências ONU | 60.111111 |
| Lixo tóxico e químicos | 7.800000 |
| Oceano | 3.483871 |
| Ozônio | 3.903226 |
Olhando os gráficos acima, notamos que o crescimento no número de organizações é praticamente todo derivado das conferências de clima. As grandes conferências de desenvolvimento sustentável da ONU também têm impacto relevante, mas ocorrem de maneira mais espaçada, gerando picos importantes - em particular, o da Rio+20.
O número de organizações presentes na Rio+20 é claramente um outlier que dificulta a visualização das tendências nos demais temas. Enquanto em clima, o tema com maior número de organizações, vemos um pico da ordem de 100 atores, a Rio+20 registra em torno de 400. Para melhor observar a variação nos demais temas, geramos um gráfico sem as conferências de desenvolvimento sustentável.
A dinâmica no número de organizações distintas na delegação é similar, mas levemente distinta da observada no tamanho das delegações. Em clima, vemos dinâmica similar de crescimento seguido de queda no início da década de 2010, com um repique posterior. Há, porém, algumas diferenças. O pico no número de organizações é 2010, não 2009, como em deleg_size. Em seguida, temos uma queda, e a diversidade volta a crescer em 2013, atingindo o pico em 2014 (pré-Paris). De Paris em diante, temos uma grande queda - essa queda é, no entanto, artificial: de Paris em diante, a sociedade civil passa a ser classificada como party overflow, saindo das listas de participantes. Em biodiversidade, o número de organizações cresce significativamente na segunda metade dos 2000. Essa é a mesma dinâmica observada no tamanho da delegação à CBD. O gráfico tem leitura prejudicada pela grande variação entre os anos – isso decorre do fato de as COPs da CDB serem (modo geral) bianuais. Em anos ímpares, os pontos refletem as convenções da International Plant Convention, uma convenção de muito menor visibilidade e reuniões menores.
Vemos que, para praticamente todos os temas da agenda internacional ambiental, o número de organizações presentes nas delegações é muito baixo (menos de 10 organizações - lembrando que órgãos distintos do governo contam como organizações distintas) e praticamente constante (as variações que vemos são, em larga medida, as variações na frequência de eventos).
Na área de biodiversidade, vemos o mesmo padrão de participação relativamente constante, mas o número de organizações é significativamente maior, chegando a cerca de 50.
[ver o máximo e calcular a média!]
O impulso no número de organizações é, portanto, uma tendência restrita à área de clima, o que sugere uma atenção especial ao tema na pesquisa.
Vale a pena observar se há diferença na tendência de evolução a depender do tipo de organização. Na figura abaixo, eliminamos o MRE e o Legislativo, por terem um número quase constante (MRE é sempre 1, Legislativo, no máximo 2). Também foram excluídas as organizaçoes da categoria residual “Outros”, de número reduzido, e “Sem informação” (uma única “organização”, também constante).
[talvez valesse a pena refazer os cálculos de modo a manter os anos nos quais não ocorrem reuniões do tema como NA - estão como delegação vazia aqui, e isso pode induzir a interpretações equivocadas (a linha, por exemplo, fica mais errática quando nao precisaria ser assim)]
Observando os dados, vemos que o crescimento inicia na década de 90. Atinge novo patamar na segunda metade dos 2000, mas é algo episódico nesse momento - picos de 2012 e 2009, com grande variação. O crescimento é maior entre sociedade civil etc (ONGs) e empresas. Todos os não-governamentais são afetados pós 2015, mas subnacional se mantém na lista (ie, não vira party overflow). Sabemos que, até 2018, segue havendo a participação social, ao menos da parte das ONGs, mas provavelmente também das empresas.
[Pra fazer esse, é preciso importar a planilha de individuos]
[nesse trecho, valeria refinar essa questão do tamanho da delegação. não dá pra ver tão bem no gráfico as diferenças, só as gigantes]
MRE_conf <- deleg_evento %>% group_by(conf, ano, tipo_org_reduzido) %>%
summarise(count = n()) %>%
ungroup %>%
complete(tipo_org_reduzido, nesting(conf, ano),
fill = list(count = 0)) %>%
group_by(conf) %>%
mutate(deleg_size = sum(count),
percentual = count/sum(count)) %>% ungroup()
#retirar eventos com 100% nao identificado
MRE_conf[MRE_conf$tipo_org_reduzido == "Não identificado" & MRE_conf$percentual == 1,]$conf -> eventosexcl
MRE_conf <- MRE_conf %>% filter(! conf %in% eventosexcl) %>%
filter(tipo_org_reduzido == "Governo federal MRE") %>%
left_join(select(eventos, c(conf, location, tema, tipo_evento))) %>%
mutate(Local = if_else(str_detect(location, "Brazil"), "Brasil", "Fora do Brasil"),
Tema = case_when (
tema == "Clima" ~ "Clima",
tema == "Grandes conferências ONU" ~ "Des. Sustentável",
str_detect(tema, "Biodiversidade - CBD") ~ "Biodiversidade",
tema != "Clima" & tema != "Grandes conferências ONU" & #tema != "Florestas" ~ "Outros"
tema != "Biodiversidade" ~ "Outros"
)
)
Abaixo vemos como o % do MRE na delegação muda ao longo do tempo. A figura abaixo mostra como, a partir dos anos 90, as delegações passam a ter menor concentração do MRE - os pontos passam a se concentrar mais na parte inferior do gráfico.
Para facilitar a visualização dessas tendências e das diferenças entre temas, acrescentamos ao gráfico linhas de regressão loess para cada tema.
Nota-se que, para os três temas destacados, a participação relativa do MRE caiu vertiginosamente.
Acrescentamos ainda uma tabela resumindo os dados da distribuição do % MRE por década.
MRE_conf <- MRE_conf %>%
mutate(decade = cut(ano, breaks = c(1970, 1979, 1989, 1999, 2009, 2019),
include.lowest = T,
labels = c("70s","80s","90s","00s","10s"),
ordered_result = TRUE
),
FaixaPct = cut(percentual, breaks = c(0, 0.25, 0.5, 0.75, 1),
include.lowest = T, ordered_result = T,
labels = c("0-25%", "25-50%", "50-75%", "75-100%")
)
)
# MRE_conf %>% group_by(decade, FaixaPct) %>% summarise(count = n()) # apresentação alternativa
knitr::kable(table(MRE_conf$FaixaPct, MRE_conf$decade),
label = "Distribuição dos eventos por % de participantes vinculados ao MRE")
| 70s | 80s | 90s | 00s | 10s | |
|---|---|---|---|---|---|
| 0-25% | 3 | 3 | 12 | 38 | 39 |
| 25-50% | 6 | 10 | 27 | 35 | 28 |
| 50-75% | 1 | 1 | 19 | 6 | 9 |
| 75-100% | 5 | 10 | 4 | 4 | 7 |
É preciso levar em conta, porém, que as conferências com maiores delegações, naturalmente, trazem um percentual menor de representantes do MRE. À medida que crescem os participantes nos eventos, o MRE não cresce de forma proporcional - pelo contrário, como mostra a figura abaixo, o declínio é exponencial.
Vale observar se há algum padrão diferente nos dados quando analisamos delegações maiores ou menores. As delegações são, em sua maioria, muito pequenas. Para a esmagadora maioria dos eventos, o Brasil envia menos de 10 participantes.
Quartis do tamanho das delegações: 1, 4, 6, 9, 1467
Vejamos a evolução do % MRE ao longo do tempo, dividindo os dados pelo tamanho da delegação.
#criando variavel quartil
MRE_conf$sizequart <- ntile(MRE_conf$deleg_size, 4)
MRE_conf$namequart <- ""
MRE_conf[MRE_conf$sizequart == 1,]$namequart <- "Q1 - Até 4 participantes"
MRE_conf[MRE_conf$sizequart == 2,]$namequart <- "Q2 - 5 a 7 participantes"
MRE_conf[MRE_conf$sizequart == 3,]$namequart <- "Q3 - 8 a 10 participantes"
MRE_conf[MRE_conf$sizequart == 4,]$namequart <- "Q4 - 11 a 1490 participantes"
#criando divisao propria por tamanho (1 a 20, 21 a 100, 101+)
MRE_conf$sizefacet <- cut(MRE_conf$deleg_size,
breaks = c(0, 20, 100,
max(MRE_conf$deleg_size))
)
MRE_conf$sizefacet2 <- cut(MRE_conf$deleg_size,
breaks = c(0, 10, 30, 100,
max(MRE_conf$deleg_size))
)
## `geom_smooth()` using formula = 'y ~ x'
| namequart | Correl | MeanDelegSize | SDDelegSize | MeanPctMRE | SDPctMRE |
|---|---|---|---|---|---|
| Q1 - Até 4 participantes | -0.1032706 | 2.462687 | 0.9265177 | 0.4987562 | 0.3633842 |
| Q2 - 5 a 7 participantes | 0.1739305 | 5.014925 | 0.7685590 | 0.4482587 | 0.2703367 |
| Q3 - 8 a 10 participantes | -0.2948943 | 7.537313 | 0.9427291 | 0.4087894 | 0.1874086 |
| Q4 - 11 a 1490 participantes | -0.4081579 | 99.000000 | 200.2715080 | 0.1978632 | 0.1302099 |
| sizefacet | Correl | MeanDelegSize | SDDelegSize | MeanPctMRE | SDPctMRE |
|---|---|---|---|---|---|
| (0,20] | -0.2344797 | 5.982684 | 3.475336 | 0.4320150 | 0.2723463 |
| (20,100] | -0.4123103 | 53.529412 | 26.842405 | 0.1485922 | 0.0972389 |
| (100,1.47e+03] | -0.2423982 | 276.210526 | 310.836073 | 0.0829644 | 0.0460079 |
## `geom_smooth()` using formula = 'y ~ x'
Ao analisar os dados separando-os por tamanho total da delegação, vemos que, para as delegações pequenas (até 20 participantes), não podemos afirmar que o percentual de delegados vinculados ao MRE vem diminuindo ao longo do tempo. A tendência observada anteriormente é sobretudo vinculada às conferências com maiores delegações, que se tornaram mais comuns a partir da década de 2000 - em particular, na área de clima. O declínio também é visível nas delegações entre 20 e 50 participantes, mas o baixo número de observações nesse intervalo enfraquece eventuais inferências.
Testando com uma categoria extra e outra divisão de tamanho
## `geom_smooth()` using formula = 'y ~ x'
## `geom_smooth()` using formula = 'y ~ x'
Checando a distribuição das categorias ao longo do tempo
table(MRE_conf$sizefacet2, MRE_conf$decade) %>% knitr::kable(label = "Distribuição dos eventos por tamanho de delegação e década")
| 70s | 80s | 90s | 00s | 10s | |
|---|---|---|---|---|---|
| (0,10] | 13 | 24 | 54 | 60 | 61 |
| (10,30] | 1 | 0 | 5 | 10 | 7 |
| (30,100] | 1 | 0 | 2 | 5 | 5 |
| (100,1.47e+03] | 0 | 0 | 1 | 8 | 10 |
table(MRE_conf$sizefacet, MRE_conf$decade) %>% knitr::kable(label = "Distribuição dos eventos por tamanho de delegação e década")
| 70s | 80s | 90s | 00s | 10s | |
|---|---|---|---|---|---|
| (0,20] | 14 | 24 | 57 | 68 | 68 |
| (20,100] | 1 | 0 | 4 | 7 | 5 |
| (100,1.47e+03] | 0 | 0 | 1 | 8 | 10 |
MRE_conf %>% group_by(sizefacet2) %>% summarise(correl = cor(deleg_size, percentual)) %>%
knitr::kable(label = "Correlação de Pearson entre tamanho da delegação e % MRE")
| sizefacet2 | correl |
|---|---|
| (0,10] | -0.1763978 |
| (10,30] | -0.3782735 |
| (30,100] | -0.4280327 |
| (100,1.47e+03] | -0.2423982 |
MRE_conf %>% group_by(sizefacet) %>% summarise(correl = cor(deleg_size, percentual)) %>%
knitr::kable(label = "Correlação de Pearson entre tamanho da delegação e % MRE")
| sizefacet | correl |
|---|---|
| (0,20] | -0.2344797 |
| (20,100] | -0.4123103 |
| (100,1.47e+03] | -0.2423982 |
cor(MRE_conf$deleg_size, MRE_conf$percentual) %>%
knitr::kable(label = "Correlação de Pearson entre tamanho da delegação e % MRE (total)")
| x |
|---|
| -0.2403881 |
Observando dados específicos para cada categoria
MRE_conf %>% group_by(sizefacet2) %>% summarise(max = max(percentual), min = min(percentual),
avg = mean(percentual), sd = sd(percentual),
n = n()) %>%
knitr::kable(caption = "Medidas resumo por categoria")
| sizefacet2 | max | min | avg | sd | n |
|---|---|---|---|---|---|
| (0,10] | 1.0000000 | 0.0000000 | 0.4452568 | 0.2789729 | 212 |
| (10,30] | 0.4545455 | 0.0769231 | 0.2653449 | 0.1037578 | 23 |
| (30,100] | 0.4516129 | 0.0545455 | 0.1403202 | 0.1065464 | 13 |
| (100,1.47e+03] | 0.2165605 | 0.0408998 | 0.0829644 | 0.0460079 | 19 |
MRE_conf %>% group_by(sizefacet2, decade) %>% summarise(max = max(percentual), min = min(percentual),
avg = mean(percentual), sd = sd(percentual),
n = n()) %>%
knitr::kable(caption = "Medidas resumo por categoria e década")
## `summarise()` has grouped output by 'sizefacet2'. You can override using the
## `.groups` argument.
| sizefacet2 | decade | max | min | avg | sd | n |
|---|---|---|---|---|---|---|
| (0,10] | 70s | 1.0000000 | 0.0000000 | 0.5520147 | 0.3661791 | 13 |
| (0,10] | 80s | 1.0000000 | 0.0000000 | 0.6178571 | 0.3553294 | 24 |
| (0,10] | 90s | 1.0000000 | 0.0000000 | 0.4988977 | 0.2045065 | 54 |
| (0,10] | 00s | 1.0000000 | 0.0000000 | 0.3416204 | 0.2431474 | 60 |
| (0,10] | 10s | 1.0000000 | 0.0000000 | 0.4090489 | 0.2726599 | 61 |
| (10,30] | 70s | 0.2727273 | 0.2727273 | 0.2727273 | NA | 1 |
| (10,30] | 90s | 0.4545455 | 0.2000000 | 0.2679201 | 0.1054497 | 5 |
| (10,30] | 00s | 0.4545455 | 0.0769231 | 0.2296723 | 0.1175979 | 10 |
| (10,30] | 10s | 0.4375000 | 0.1875000 | 0.3134116 | 0.0805371 | 7 |
| (30,100] | 70s | 0.4516129 | 0.4516129 | 0.4516129 | NA | 1 |
| (30,100] | 90s | 0.2121212 | 0.0545455 | 0.1333333 | 0.1114229 | 2 |
| (30,100] | 00s | 0.1093750 | 0.0750000 | 0.0930667 | 0.0135543 | 5 |
| (30,100] | 10s | 0.2162162 | 0.0609756 | 0.1281100 | 0.0595081 | 5 |
| (100,1.47e+03] | 90s | 0.2165605 | 0.2165605 | 0.2165605 | NA | 1 |
| (100,1.47e+03] | 00s | 0.1130742 | 0.0413223 | 0.0649068 | 0.0253419 | 8 |
| (100,1.47e+03] | 10s | 0.1843318 | 0.0408998 | 0.0840509 | 0.0382060 | 10 |
MRE_conf %>% group_by(sizefacet2, ano) %>% summarise(max = max(percentual), min = min(percentual),
avg = mean(percentual), sd = sd(percentual),
n = n()) %>%
knitr::kable(caption = "Medidas resumo por categoria para anos específicos")
## `summarise()` has grouped output by 'sizefacet2'. You can override using the
## `.groups` argument.
| sizefacet2 | ano | max | min | avg | sd | n |
|---|---|---|---|---|---|---|
| (0,10] | 1970 | 0.8333333 | 0.8333333 | 0.8333333 | NA | 1 |
| (0,10] | 1972 | 1.0000000 | 1.0000000 | 1.0000000 | NA | 1 |
| (0,10] | 1973 | 0.4000000 | 0.4000000 | 0.4000000 | NA | 1 |
| (0,10] | 1974 | 0.5000000 | 0.5000000 | 0.5000000 | NA | 1 |
| (0,10] | 1975 | 0.8000000 | 0.6666667 | 0.7333333 | 0.0942809 | 2 |
| (0,10] | 1976 | 0.0000000 | 0.0000000 | 0.0000000 | NA | 1 |
| (0,10] | 1977 | 0.5000000 | 0.5000000 | 0.5000000 | NA | 1 |
| (0,10] | 1978 | 1.0000000 | 0.1428571 | 0.5714286 | 0.6060915 | 2 |
| (0,10] | 1979 | 1.0000000 | 0.0000000 | 0.4444444 | 0.5091751 | 3 |
| (0,10] | 1980 | 1.0000000 | 0.8333333 | 0.9444444 | 0.0962250 | 3 |
| (0,10] | 1981 | 0.0000000 | 0.0000000 | 0.0000000 | NA | 1 |
| (0,10] | 1982 | 0.5000000 | 0.3333333 | 0.4166667 | 0.1178511 | 2 |
| (0,10] | 1983 | 1.0000000 | 1.0000000 | 1.0000000 | 0.0000000 | 2 |
| (0,10] | 1984 | 0.3333333 | 0.3333333 | 0.3333333 | NA | 1 |
| (0,10] | 1985 | 1.0000000 | 0.0000000 | 0.4821429 | 0.4098075 | 4 |
| (0,10] | 1986 | 0.5000000 | 0.5000000 | 0.5000000 | NA | 1 |
| (0,10] | 1987 | 1.0000000 | 0.0000000 | 0.5000000 | 0.5000000 | 3 |
| (0,10] | 1988 | 1.0000000 | 0.5000000 | 0.8333333 | 0.2886751 | 3 |
| (0,10] | 1989 | 1.0000000 | 0.3333333 | 0.6000000 | 0.3030707 | 4 |
| (0,10] | 1990 | 0.7500000 | 0.3333333 | 0.5937500 | 0.1812221 | 4 |
| (0,10] | 1991 | 0.6666667 | 0.0000000 | 0.4624339 | 0.2288744 | 9 |
| (0,10] | 1992 | 0.8000000 | 0.3333333 | 0.6133333 | 0.1725624 | 5 |
| (0,10] | 1993 | 0.8000000 | 0.4000000 | 0.6444444 | 0.1310923 | 6 |
| (0,10] | 1994 | 1.0000000 | 0.3000000 | 0.6195238 | 0.2978114 | 5 |
| (0,10] | 1995 | 0.8000000 | 0.2857143 | 0.4660317 | 0.2081079 | 5 |
| (0,10] | 1996 | 0.6000000 | 0.2500000 | 0.4763889 | 0.1563719 | 4 |
| (0,10] | 1997 | 0.5000000 | 0.2857143 | 0.3869048 | 0.0959793 | 4 |
| (0,10] | 1998 | 0.6666667 | 0.2500000 | 0.4158163 | 0.1471907 | 7 |
| (0,10] | 1999 | 0.5000000 | 0.0000000 | 0.3357143 | 0.2136896 | 5 |
| (0,10] | 2000 | 0.5000000 | 0.1111111 | 0.3325397 | 0.1416274 | 8 |
| (0,10] | 2001 | 0.6666667 | 0.3333333 | 0.4680556 | 0.1434124 | 6 |
| (0,10] | 2002 | 1.0000000 | 0.0000000 | 0.4434524 | 0.3293501 | 6 |
| (0,10] | 2003 | 0.4285714 | 0.0000000 | 0.2142857 | 0.1844278 | 4 |
| (0,10] | 2004 | 0.6666667 | 0.0000000 | 0.4047619 | 0.2497164 | 6 |
| (0,10] | 2005 | 0.8000000 | 0.0000000 | 0.3380952 | 0.3163689 | 7 |
| (0,10] | 2006 | 0.5714286 | 0.0000000 | 0.3003968 | 0.2100346 | 5 |
| (0,10] | 2007 | 1.0000000 | 0.0000000 | 0.4537037 | 0.3823525 | 6 |
| (0,10] | 2008 | 0.3750000 | 0.0000000 | 0.2360450 | 0.1330023 | 6 |
| (0,10] | 2009 | 0.4000000 | 0.0000000 | 0.1791667 | 0.1646334 | 6 |
| (0,10] | 2010 | 0.8000000 | 0.0000000 | 0.4166667 | 0.2979560 | 6 |
| (0,10] | 2011 | 1.0000000 | 0.0000000 | 0.3819986 | 0.2890754 | 11 |
| (0,10] | 2012 | 0.7500000 | 0.0000000 | 0.3458995 | 0.3513321 | 6 |
| (0,10] | 2013 | 0.6000000 | 0.1666667 | 0.3350340 | 0.1403666 | 7 |
| (0,10] | 2014 | 0.5714286 | 0.0000000 | 0.3514739 | 0.2067794 | 7 |
| (0,10] | 2015 | 1.0000000 | 0.0000000 | 0.4077381 | 0.3795014 | 8 |
| (0,10] | 2016 | 0.8571429 | 0.2500000 | 0.4595238 | 0.2248204 | 6 |
| (0,10] | 2017 | 1.0000000 | 0.2000000 | 0.5333333 | 0.2621211 | 6 |
| (0,10] | 2018 | 1.0000000 | 0.2500000 | 0.5375000 | 0.3250000 | 4 |
| (10,30] | 1973 | 0.2727273 | 0.2727273 | 0.2727273 | NA | 1 |
| (10,30] | 1994 | 0.4545455 | 0.4545455 | 0.4545455 | NA | 1 |
| (10,30] | 1995 | 0.2307692 | 0.2307692 | 0.2307692 | NA | 1 |
| (10,30] | 1996 | 0.2400000 | 0.2400000 | 0.2400000 | NA | 1 |
| (10,30] | 1997 | 0.2142857 | 0.2142857 | 0.2142857 | NA | 1 |
| (10,30] | 1999 | 0.2000000 | 0.2000000 | 0.2000000 | NA | 1 |
| (10,30] | 2002 | 0.2727273 | 0.1666667 | 0.2020202 | 0.0612341 | 3 |
| (10,30] | 2003 | 0.3333333 | 0.3333333 | 0.3333333 | NA | 1 |
| (10,30] | 2004 | 0.0952381 | 0.0952381 | 0.0952381 | NA | 1 |
| (10,30] | 2005 | 0.0769231 | 0.0769231 | 0.0769231 | NA | 1 |
| (10,30] | 2007 | 0.4545455 | 0.1578947 | 0.3062201 | 0.2097637 | 2 |
| (10,30] | 2009 | 0.3000000 | 0.2727273 | 0.2863636 | 0.0192847 | 2 |
| (10,30] | 2012 | 0.3076923 | 0.3076923 | 0.3076923 | NA | 1 |
| (10,30] | 2013 | 0.4375000 | 0.3846154 | 0.4110577 | 0.0373951 | 2 |
| (10,30] | 2015 | 0.2941176 | 0.2941176 | 0.2941176 | NA | 1 |
| (10,30] | 2017 | 0.3157895 | 0.1875000 | 0.2516447 | 0.0907144 | 2 |
| (10,30] | 2018 | 0.2666667 | 0.2666667 | 0.2666667 | NA | 1 |
| (30,100] | 1972 | 0.4516129 | 0.4516129 | 0.4516129 | NA | 1 |
| (30,100] | 1998 | 0.2121212 | 0.2121212 | 0.2121212 | NA | 1 |
| (30,100] | 1999 | 0.0545455 | 0.0545455 | 0.0545455 | NA | 1 |
| (30,100] | 2000 | 0.1093750 | 0.1093750 | 0.1093750 | NA | 1 |
| (30,100] | 2001 | 0.0869565 | 0.0750000 | 0.0809783 | 0.0084545 | 2 |
| (30,100] | 2003 | 0.0909091 | 0.0909091 | 0.0909091 | NA | 1 |
| (30,100] | 2008 | 0.1030928 | 0.1030928 | 0.1030928 | NA | 1 |
| (30,100] | 2012 | 0.2162162 | 0.2162162 | 0.2162162 | NA | 1 |
| (30,100] | 2014 | 0.0909091 | 0.0909091 | 0.0909091 | NA | 1 |
| (30,100] | 2016 | 0.1500000 | 0.1500000 | 0.1500000 | NA | 1 |
| (30,100] | 2018 | 0.1224490 | 0.0609756 | 0.0917123 | 0.0434682 | 2 |
| (100,1.47e+03] | 1992 | 0.2165605 | 0.2165605 | 0.2165605 | NA | 1 |
| (100,1.47e+03] | 2002 | 0.1130742 | 0.1130742 | 0.1130742 | NA | 1 |
| (100,1.47e+03] | 2004 | 0.0724638 | 0.0724638 | 0.0724638 | NA | 1 |
| (100,1.47e+03] | 2005 | 0.0503597 | 0.0503597 | 0.0503597 | NA | 1 |
| (100,1.47e+03] | 2006 | 0.0619469 | 0.0413223 | 0.0516346 | 0.0145838 | 2 |
| (100,1.47e+03] | 2007 | 0.0890052 | 0.0890052 | 0.0890052 | NA | 1 |
| (100,1.47e+03] | 2008 | 0.0432099 | 0.0432099 | 0.0432099 | NA | 1 |
| (100,1.47e+03] | 2009 | 0.0478723 | 0.0478723 | 0.0478723 | NA | 1 |
| (100,1.47e+03] | 2010 | 0.0844156 | 0.0737327 | 0.0790742 | 0.0075539 | 2 |
| (100,1.47e+03] | 2011 | 0.0669643 | 0.0669643 | 0.0669643 | NA | 1 |
| (100,1.47e+03] | 2012 | 0.0840336 | 0.0408998 | 0.0624667 | 0.0305002 | 2 |
| (100,1.47e+03] | 2013 | 0.0845070 | 0.0845070 | 0.0845070 | NA | 1 |
| (100,1.47e+03] | 2014 | 0.0664336 | 0.0664336 | 0.0664336 | NA | 1 |
| (100,1.47e+03] | 2015 | 0.1843318 | 0.1843318 | 0.1843318 | NA | 1 |
| (100,1.47e+03] | 2016 | 0.0629921 | 0.0629921 | 0.0629921 | NA | 1 |
| (100,1.47e+03] | 2017 | 0.0921986 | 0.0921986 | 0.0921986 | NA | 1 |
Pela política do governo brasileiro de credenciar representantes não-governamentais, esse tipo de participante representa um percentual muito alto das delegações brasileiras. Isso pode distorcer o % do MRE como dado para compreender sua importância no interior das delegações, dificultando a visualização da tendência. Vejamos, então, se os dados mudam de forma significativa quando olhamos apenas para os delegados vinculados ao governo federal.
MRE_confgov <- deleg_evento %>% group_by(conf, ano, tipo_org_reduzido) %>%
summarise(count = n()) %>% ungroup %>%
complete(tipo_org_reduzido, nesting(conf, ano),
fill = list(count = 0)) %>%
filter(! conf %in% eventosexcl) %>%
filter(tipo_org_reduzido %in% c("Governo federal MRE",
"Governo federal não-MRE")) %>%
group_by(conf) %>%
mutate(percentual = count/sum(count),
deleg_size = sum(count)) %>% ungroup() %>%
filter(!is.na(deleg_size)) %>% #retira deleg gov vazia
left_join(select(eventos, c(conf, location, tema, tipo_evento))) %>%
mutate(Local = if_else(str_detect(location, "Brazil"), "Brasil", "Fora do Brasil"),
Tema = case_when (
tema == "Clima" ~ "Clima",
tema == "Grandes conferências ONU" ~ "Des. Sustentável",
str_detect(tema, "Biodiversidade - CBD") ~ "Biodiversidade",
tema != "Clima" & tema != "Grandes conferências ONU" & #tema != "Florestas" ~ "Outros"
tema != "Biodiversidade - CBD" ~ "Outros"
)
)
Note-se que limitar a análise da delegação apenas ao governo não anula a relação verificada anteriormente, de declínio no percentual relativo do MRE à medida que aumenta o tamanho das delegações:
Correlação para delegação completa: -0.2403881 Correlação para delegação considerando apenas governo federal: -0.1811409
Acrescentamos aqui uma segunda especificação da figura, separando os eventos por tema para facilitar a visualização
Vemos que há, na segunda metade dos anos 90, para todos os temas de eventos, um declínio do percentual do MRE relativo aos representantes governamentais nas delegações. Na década de 2000 há relativa estabilidade. Na década de 2010, porém, o MRE amplia seu espaço na área de clima e, em ainda maior grau, nos temas de menor destaque (“Outros”). Nos “Outros”, a queda no percentual é baixa - se consideramos o IC da loess, não há diferença para a maior parte dos períodos (única mais relevante é 2000-2015 mais baixo do que 1980-1990)
Vimos acima o número de organizações distintas nas delegações e o percentual relativo do MRE na composição da delegação brasileira (completa ou só governo). Abaixo, aprofundamos a análise sobre a diversificação da delegação a partir das organizações participantes nos eventos. Agora, porém, não olhamos para o número de organizações distintas presentes, mas sim para parcela de grupos dessas organizações na delegação. Se antes o número de indivíduos vinculados às organizações era irrelevante, agora passa a ser um fator importante.
freq_tipoorgs_tempo <- deleg_evento %>%
group_by(ano, tipo_org_reduzido) %>%
summarise(total = n()) %>% mutate(percentual = total / sum(total)) %>%
ungroup() %>% # incluir contagem de observações nulas (freq = 0)
complete(ano, tipo_org_reduzido, fill = list(total = 0, percentual = 0))
freq_tipoorgs_tempo$tipo_org_reduzido[freq_tipoorgs_tempo$tipo_org_reduzido == "Governos subnacionais (Executivo, Legislativo, Empresas Públicas ou Autarquias)"] <- "Governos subnacionais"
freq_tipoorgs_tempo$tipo_factor <- factor(freq_tipoorgs_tempo$tipo_org_reduzido,
levels = c("Governo federal MRE",
"Governo federal não-MRE",
"Governos subnacionais",
"Legislativo federal",
"Sociedade civil, sindicatos, movimentos sociais", "Setor empresarial",
# "Sociedade civil e empresas"
"Órgãos de ensino e pesquisa",
"Outro",
"Não identificado"
))
Agora a mesma figura, mas com menos orgaos
## `summarise()` has grouped output by 'decade'. You can override using the
## `.groups` argument.
Valores específicos para o texto: % MRE em 1990:0.4230769
% MRE em 2000:0.2066116
Média MRE nas décadas:
| decade | tipo_org_reduzido | total | percentual |
|---|---|---|---|
| 70s | Governo federal MRE | 44 | 0.4680851 |
| 80s | Governo federal MRE | 44 | 0.5789474 |
| 90s | Governo federal MRE | 217 | 0.3060649 |
| 00s | Governo federal MRE | 297 | 0.1124148 |
| 10s | Governo federal MRE | 435 | 0.1037691 |
## `summarise()` has grouped output by 'decade'. You can override using the
## `.groups` argument.
## `summarise()` has grouped output by 'decade'. You can override using the
## `.groups` argument.
tipoorgs_decada %>%
mutate(tipo_org_reduzido = if_else( #diminuir categorias
tipo_org_reduzido %in% c("Outro", "Não identificado"#,
#"Legislativo federal",
#"Órgãos de ensino e pesquisa"
),
"Outros", tipo_org_reduzido
)) %>% group_by(decade, tipo_org_reduzido) %>%
summarise(percentual = sum(percentual)) %>%
knitr::kable(label = "% da comunidade por tipo org")
## `summarise()` has grouped output by 'decade'. You can override using the
## `.groups` argument.
| decade | tipo_org_reduzido | percentual |
|---|---|---|
| 70s | Governo federal MRE | 0.4680851 |
| 70s | Governo federal não-MRE | 0.3723404 |
| 70s | Governos subnacionais | 0.0212766 |
| 70s | Legislativo federal | 0.0212766 |
| 70s | Outros | 0.0638298 |
| 70s | Setor empresarial | 0.0425532 |
| 70s | Sociedade civil | 0.0000000 |
| 70s | Órgãos de ensino e pesquisa | 0.0106383 |
| 80s | Governo federal MRE | 0.5789474 |
| 80s | Governo federal não-MRE | 0.3684211 |
| 80s | Governos subnacionais | 0.0000000 |
| 80s | Legislativo federal | 0.0000000 |
| 80s | Outros | 0.0263158 |
| 80s | Setor empresarial | 0.0000000 |
| 80s | Sociedade civil | 0.0131579 |
| 80s | Órgãos de ensino e pesquisa | 0.0131579 |
| 90s | Governo federal MRE | 0.3060649 |
| 90s | Governo federal não-MRE | 0.4287729 |
| 90s | Governos subnacionais | 0.0677010 |
| 90s | Legislativo federal | 0.0056417 |
| 90s | Outros | 0.1170663 |
| 90s | Setor empresarial | 0.0380818 |
| 90s | Sociedade civil | 0.0098731 |
| 90s | Órgãos de ensino e pesquisa | 0.0267983 |
| 00s | Governo federal MRE | 0.1124148 |
| 00s | Governo federal não-MRE | 0.3459500 |
| 00s | Governos subnacionais | 0.1249054 |
| 00s | Legislativo federal | 0.0317941 |
| 00s | Outros | 0.1249054 |
| 00s | Setor empresarial | 0.1139288 |
| 00s | Sociedade civil | 0.0821347 |
| 00s | Órgãos de ensino e pesquisa | 0.0639667 |
| 10s | Governo federal MRE | 0.1037691 |
| 10s | Governo federal não-MRE | 0.3537691 |
| 10s | Governos subnacionais | 0.1507634 |
| 10s | Legislativo federal | 0.0732347 |
| 10s | Outros | 0.0763359 |
| 10s | Setor empresarial | 0.0932729 |
| 10s | Sociedade civil | 0.0894561 |
| 10s | Órgãos de ensino e pesquisa | 0.0593989 |
Para medir a diversidade da comunidade, vamos calcular o Herfindahl-Hirschman Index. Trata-se de um indice usado para análise de concentração de mercado. Vamos avaliar a evolução no tempo do HHI das participações em organizações e das organizações em tipos_org.
# se quisermos dividido por década
tipoorgs_decada %>% group_by(decade) %>% summarise(hhi_tipoorg = sum(percentual^2)) %>%
knitr::kable(label = "HHI index concentração de tipo_org por década")
| decade | hhi_tipoorg |
|---|---|
| 70s | 0.3646446 |
| 80s | 0.4719529 |
| 90s | 0.2974630 |
| 00s | 0.1848839 |
| 10s | 0.1873396 |
# se quisermos por ano
hhi_tipoorg_ano <- freq_tipoorgs_tempo %>% group_by(ano) %>% summarise(hhi_tipoorg = sum(percentual^2))
knitr::kable(hhi_tipoorg_ano, label = "HHI index concentração de tipo_org (1970-2018)")
| ano | hhi_tipoorg |
|---|---|
| 1970 | 0.7222222 |
| 1972 | 0.3496094 |
| 1973 | 0.3671875 |
| 1974 | 0.3750000 |
| 1975 | 0.5061728 |
| 1976 | 1.0000000 |
| 1977 | 0.5000000 |
| 1978 | 0.4320988 |
| 1979 | 0.4437870 |
| 1980 | 0.8200000 |
| 1981 | 1.0000000 |
| 1982 | 0.4200000 |
| 1983 | 1.0000000 |
| 1984 | 0.5555556 |
| 1985 | 0.5041322 |
| 1986 | 0.5000000 |
| 1987 | 0.4183673 |
| 1988 | 0.7551020 |
| 1989 | 0.5000000 |
| 1990 | 0.3284024 |
| 1991 | 0.3372781 |
| 1992 | 0.2646000 |
| 1993 | 0.3506764 |
| 1994 | 0.3342827 |
| 1995 | 0.4384000 |
| 1996 | 0.3622222 |
| 1997 | 0.3994490 |
| 1998 | 0.3511111 |
| 1999 | 0.4197384 |
| 2000 | 0.2671266 |
| 2001 | 0.2838045 |
| 2002 | 0.1914793 |
| 2003 | 0.3301351 |
| 2004 | 0.2007956 |
| 2005 | 0.2249349 |
| 2006 | 0.2890922 |
| 2007 | 0.1819602 |
| 2008 | 0.2217918 |
| 2009 | 0.1701782 |
| 2010 | 0.1477413 |
| 2011 | 0.1811556 |
| 2012 | 0.2272561 |
| 2013 | 0.1762523 |
| 2014 | 0.1722894 |
| 2015 | 0.2612469 |
| 2016 | 0.3247401 |
| 2017 | 0.3031328 |
| 2018 | 0.2894958 |
#### tabela HHI por tema
deleg_evento %>%
mutate(decade = cut(ano, breaks = c(1970, 1979, 1989, 1999, 2009, 2019),
include.lowest = T,
labels = c("70s","80s","90s","00s","10s"),
ordered_result = TRUE)
) %>%
group_by(tema, tipo_org_reduzido) %>%
summarise(total = n()) %>% mutate(percentual = total / sum(total)) %>%
ungroup() %>% # incluir contagem de observações nulas (freq = 0)
complete(tipo_org_reduzido, fill = list(total = 0, percentual = 0)) %>%
group_by(tema) %>% summarise(hhi_tipoorg = sum(percentual^2)) %>%
arrange(hhi_tipoorg) %>%
knitr::kable(label = "HHI dos tipos de organização, dividido por tema")
## `summarise()` has grouped output by 'tema'. You can override using the
## `.groups` argument.
| tema | hhi_tipoorg |
|---|---|
| Clima | 0.1488727 |
| Grandes conferências ONU | 0.1995983 |
| Biodiversidade - CBD | 0.3031411 |
| Florestas | 0.3388480 |
| Biodiversidade - Espécies | 0.3627959 |
| Desertificação | 0.3979750 |
| Ozônio | 0.4513379 |
| Biodiversidade - Plantas | 0.4780521 |
| Lixo tóxico e químicos | 0.4930730 |
| Oceano | 0.5448364 |
| Governança ambiental | 0.6406036 |
| Biodiversidade - UNESCO | 0.9050000 |
#### tabela HHI tema por década
deleg_evento %>%
mutate(decade = cut(ano, breaks = c(1970, 1979, 1989, 1999, 2009, 2019),
include.lowest = T,
labels = c("70s","80s","90s","00s","10s"),
ordered_result = TRUE)
) %>%
group_by(decade, tema, tipo_org_reduzido) %>%
summarise(total = n()) %>% mutate(percentual = total / sum(total)) %>%
ungroup() %>% # incluir contagem de observações nulas (freq = 0)
complete(tipo_org_reduzido, fill = list(total = 0, percentual = 0)) %>%
group_by(decade, tema) %>%
summarise(hhi_tipoorg = sum(percentual^2)) %>%
arrange(tema, decade) %>%
knitr::kable(label = "HHI dos tipos de organização, dividido por tema e década")
## `summarise()` has grouped output by 'decade', 'tema'. You can override using
## the `.groups` argument.
## `summarise()` has grouped output by 'decade'. You can override using the
## `.groups` argument.
| decade | tema | hhi_tipoorg |
|---|---|---|
| 80s | Biodiversidade - CBD | 0.5000000 |
| 90s | Biodiversidade - CBD | 0.3938248 |
| 00s | Biodiversidade - CBD | 0.3870294 |
| 10s | Biodiversidade - CBD | 0.2660760 |
| 70s | Biodiversidade - Espécies | 1.0000000 |
| 80s | Biodiversidade - Espécies | 0.4876033 |
| 90s | Biodiversidade - Espécies | 0.3958333 |
| 00s | Biodiversidade - Espécies | 0.3726339 |
| 10s | Biodiversidade - Espécies | 0.3368056 |
| 90s | Biodiversidade - Plantas | 0.5088889 |
| 00s | Biodiversidade - Plantas | 0.4739229 |
| 10s | Biodiversidade - Plantas | 0.5478395 |
| 70s | Biodiversidade - UNESCO | 1.0000000 |
| 80s | Biodiversidade - UNESCO | 1.0000000 |
| 90s | Biodiversidade - UNESCO | 0.5555556 |
| 10s | Biodiversidade - UNESCO | 1.0000000 |
| 90s | Clima | 0.3372081 |
| 00s | Clima | 0.1545316 |
| 10s | Clima | 0.1463210 |
| 90s | Desertificação | 0.4359375 |
| 00s | Desertificação | 0.4019228 |
| 10s | Desertificação | 0.4542936 |
| 70s | Florestas | 0.4049587 |
| 80s | Florestas | 0.5200000 |
| 90s | Florestas | 0.5555556 |
| 00s | Florestas | 0.5046826 |
| 10s | Florestas | 0.3365878 |
| 70s | Governança ambiental | 0.7222222 |
| 80s | Governança ambiental | 0.8024691 |
| 10s | Governança ambiental | 0.5000000 |
| 70s | Grandes conferências ONU | 0.3615778 |
| 90s | Grandes conferências ONU | 0.2433551 |
| 00s | Grandes conferências ONU | 0.1841689 |
| 10s | Grandes conferências ONU | 0.2273794 |
| 90s | Lixo tóxico e químicos | 0.3472222 |
| 00s | Lixo tóxico e químicos | 0.5225922 |
| 10s | Lixo tóxico e químicos | 0.4873204 |
| 70s | Oceano | 0.3622222 |
| 80s | Oceano | 0.4687500 |
| 90s | Oceano | 0.4266118 |
| 00s | Oceano | 0.7420361 |
| 10s | Oceano | 0.6130073 |
| 80s | Ozônio | 0.3750000 |
| 90s | Ozônio | 0.3930667 |
| 00s | Ozônio | 0.5055402 |
| 10s | Ozônio | 0.4882645 |
orgs_princ <- deleg_evento %>%
mutate(org = case_when(
org_limpo == "Ministério das Relações Exteriores" ~ "Ministério das Relações Exteriores",
tipo_org == "Laboratórios, centros e institutos de pesquisa vinculados ao MCT" ~
"Ministério da Ciência e Tecnologia",
id_org_unica %in% c(23, 422, 553, 131) ~ "Ministério da Ciência e Tecnologia",
id_org_unica %in% c(442, 324, 333, 555) ~ "Ministério do Meio Ambiente",
# id_org_unica %in% c(326, 576, 441) ~ "Ministério do Meio Ambiente",
id_org_unica %in% c(214, 421, 326) ~ "Ministério da Agricultura, Pecuária e Abastecimento",
id_org_unica %in% c(436, 137, 40, 124, 218) ~ "Ministério de Minas e Energia",
id_org_unica %in% c(427, 699, 425, 97, 444, 556) ~ "Ministérios econômicos",
)) %>%
mutate(org = if_else(is.na(org), "Outro", org))
# No MMA: Foram incluídos SEMAM-PR (555), IBAMA (324), ICMBio (333). Não inclusão de IBDF (326), SFB (576), M Interior (441)
# No MCT: AEB (23), CIMGC (131), laboratórios nacionais e afins (por meio do tipo) - inclusive o INPE (352) e o INPA (351), SCT-PR (553)
# No MME: Comissão Nacional de Energia Nuclear (137), CNPE - Conselho Nacional de Política Energética (140), ANEEL (40), CEPEL - Centro de Pesquisas de Energia Elétrica (124), Empresa de Pesquisa Energética (218). Não inclusão de Petrobrás (517), Eletrobrás (212), Furnas (303), Itaipu (400), Vale (155)
# Ministérios econômicos: MFaz (427), MEFP [collor] (699), M Econ [bols] (425), CADE (97), MPOG (444), SEPLAN-PR(556). Não inclusão: Casa da Moeda do Brasil (107), Banco Central (69), CVM (189), BNDES (86), Caixa (98), BB (71), BNB (72), etc
# No MAPA: Embrapa (214), IBDF (326)
Órgãos incluídos: No MMA: Foram incluídos SEMAM-PR (555), IBAMA (324), ICMBio (333). Não inclusão de IBDF (326), SFB (576), M Interior (441) No MCT: AEB (23), CIMGC (131), laboratórios nacionais e afins (por meio do tipo) - inclusive o INPE (352) e o INPA (351), SCT-PR (553) No MME: Comissão Nacional de Energia Nuclear (137), CNPE - Conselho Nacional de Política Energética (140), ANEEL (40), CEPEL - Centro de Pesquisas de Energia Elétrica (124), Empresa de Pesquisa Energética (218). Não inclusão de Petrobrás (517), Eletrobrás (212), Furnas (303), Itaipu (400), Vale (155) Ministérios econômicos: MFaz (427), MEFP [collor] (699), M Econ [bols] (425), CADE (97), MPOG (444), SEPLAN-PR(556). Não inclusão: Casa da Moeda do Brasil (107), Banco Central (69), CVM (189), BNDES (86), Caixa (98), BB (71), BNB (72), etc
Vê-se que a participação para além do MMA, MRE e MCT é praticamente nula. No final da década de 2010, nota-se aumento da participação do MAPA. Vale a pena analisar se esse comportamento muda quando separamos as delegações por temas específicos. Abaixo, seguem os gráficos separados para Clima, Biodiversidade, Desenvolvimento Sustentável e Outros temas.
freq_minist_tema <- orgs_princ %>%
mutate(
Tema = case_when (
tema == "Clima" ~ "Clima",
tema == "Biodiversidade - CBD" ~ "Biodiversidade",
tema == "Grandes conferências ONU" ~ "Des. Sustentável",
tema != "Clima" & tema != "Grandes conferências ONU" &
tema != "Biodiversidade - CBD" ~ "Outros",
)
) %>%
group_by(ano, Tema, org) %>%
summarise(total_org = n()) %>% mutate(percentual = total_org / sum(total_org)) %>%
ungroup() %>%
filter(org %in% c("Ministério das Relações Exteriores",
"Ministério do Meio Ambiente",
"Ministério da Ciência e Tecnologia",
"Ministério da Agricultura, Pecuária e Abastecimento",
"Ministério de Minas e Energia",
"Ministérios econômicos"
)) %>%
# incluir contagem de observações nulas (freq = 0)
complete(ano, Tema, org,
fill = list(total_org = 0, percentual = 0),
explicit = FALSE)
temasano <- orgs_princ %>%
mutate(
Tema = case_when (
tema == "Clima" ~ "Clima",
tema == "Biodiversidade - CBD" ~ "Biodiversidade",
tema == "Grandes conferências ONU" ~ "Des. Sustentável",
tema != "Clima" & tema != "Grandes conferências ONU" &
tema != "Biodiversidade - CBD" ~ "Outros",
)
) %>% select(ano, Tema) %>% distinct() %>%
mutate(anotema = paste0(ano, Tema))
freq_minist_tema <- freq_minist_tema %>%
mutate(
total_org = if_else(paste0(ano, Tema) %in% pull(temasano, anotema), total_org, NA ),
percentual = if_else(paste0(ano, Tema) %in% pull(temasano, anotema), percentual, NA )
)
deleg_evento %>%
# calcular dados do tamanho da comunidade só governo
filter(tipo_org_reduzido %in% c("Governo federal MRE", "Governo federal não-MRE")) %>%
group_by(ano) %>% summarise(govcommunity_size = n()) %>%
# incluir em freq ministerios
right_join(freq_minist_tempo) %>%
mutate(percentual_sogov = total_org / govcommunity_size) -> freq_minist_tempo
# para freq minist tema calcular comunidade gov por tema
deleg_evento %>%
# calcular dados do tamanho da comunidade só governo
filter(tipo_org_reduzido %in% c("Governo federal MRE", "Governo federal não-MRE")) %>%
mutate(
Tema = case_when (
tema == "Clima" ~ "Clima",
tema == "Biodiversidade - CBD" ~ "Biodiversidade",
tema == "Grandes conferências ONU" ~ "Des. Sustentável",
tema != "Clima" & tema != "Grandes conferências ONU" &
tema != "Biodiversidade - CBD" ~ "Outros",
)
) %>%
group_by(ano, Tema) %>% summarise(govcommunity_size = n()) %>%
right_join(freq_minist_tema) %>%
# incluir em freq ministerios
right_join(freq_minist_tema) %>%
mutate(percentual_sogov = total_org / govcommunity_size) -> freq_minist_tema
Gráfico % comunidade governo federal ocupado por cada ministério
Quebrando agora a participação por tema
Tabelas comparando percentuais médios dos ministérios para consulta caso necessário.
freq_minist_tempo %>% group_by(org) %>% summarise(avg = mean(percentual),
sd = sd(percentual),
avg_sogov = mean(percentual_sogov),
sd_sogov = sd(percentual_sogov)) %>%
knitr::kable(caption = "% médio das orgs na comunidade")
| org | avg | sd | avg_sogov | sd_sogov |
|---|---|---|---|---|
| Ministério da Agricultura, Pecuária e Abastecimento | 0.1083895 | 0.2188163 | 0.1276838 | 0.2160821 |
| Ministério da Ciência e Tecnologia | 0.0455495 | 0.0558902 | 0.0726821 | 0.0780811 |
| Ministério das Relações Exteriores | 0.3213802 | 0.2412449 | 0.4207975 | 0.2358383 |
| Ministério de Minas e Energia | 0.0045123 | 0.0084209 | 0.0077036 | 0.0143715 |
| Ministério do Meio Ambiente | 0.0996457 | 0.1053092 | 0.1603721 | 0.1514436 |
| Ministérios econômicos | 0.0059132 | 0.0098508 | 0.0096647 | 0.0149805 |
freq_minist_tempo %>%
mutate(decade = cut(ano, breaks = c(1970, 1979, 1989, 1999, 2009, 2019),
include.lowest = T,
labels = c("70s","80s","90s","00s","10s"),
ordered_result = TRUE)) %>%
group_by(org, decade) %>% summarise(avg = mean(percentual),
sd = sd(percentual),
avg_sogov = mean(percentual_sogov),
sd_sogov = sd(percentual_sogov)) %>%
knitr::kable(caption = "% médio das orgs na comunidade por década")
## `summarise()` has grouped output by 'org'. You can override using the `.groups`
## argument.
| org | decade | avg | sd | avg_sogov | sd_sogov |
|---|---|---|---|---|---|
| Ministério da Agricultura, Pecuária e Abastecimento | 70s | 0.1687144 | 0.3315825 | 0.1755698 | 0.3340021 |
| Ministério da Agricultura, Pecuária e Abastecimento | 80s | 0.2512771 | 0.3289902 | 0.2546898 | 0.3279683 |
| Ministério da Agricultura, Pecuária e Abastecimento | 90s | 0.0397610 | 0.0396326 | 0.0499336 | 0.0478376 |
| Ministério da Agricultura, Pecuária e Abastecimento | 00s | 0.0407746 | 0.0155934 | 0.0786360 | 0.0272323 |
| Ministério da Agricultura, Pecuária e Abastecimento | 10s | 0.0406825 | 0.0342422 | 0.0795665 | 0.0492608 |
| Ministério da Ciência e Tecnologia | 70s | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Ministério da Ciência e Tecnologia | 80s | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Ministério da Ciência e Tecnologia | 90s | 0.1130509 | 0.0510435 | 0.1480804 | 0.0558807 |
| Ministério da Ciência e Tecnologia | 00s | 0.0759134 | 0.0544482 | 0.1392112 | 0.0771228 |
| Ministério da Ciência e Tecnologia | 10s | 0.0329705 | 0.0114883 | 0.0684249 | 0.0201959 |
| Ministério das Relações Exteriores | 70s | 0.4336717 | 0.2442293 | 0.5188746 | 0.2741108 |
| Ministério das Relações Exteriores | 80s | 0.5516450 | 0.2992258 | 0.5756133 | 0.3128872 |
| Ministério das Relações Exteriores | 90s | 0.3490845 | 0.0981993 | 0.4753786 | 0.1556081 |
| Ministério das Relações Exteriores | 00s | 0.1309834 | 0.0448707 | 0.2511807 | 0.0590118 |
| Ministério das Relações Exteriores | 10s | 0.1340087 | 0.0468783 | 0.2785202 | 0.0842265 |
| Ministério de Minas e Energia | 70s | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Ministério de Minas e Energia | 80s | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Ministério de Minas e Energia | 90s | 0.0062257 | 0.0099038 | 0.0078635 | 0.0119711 |
| Ministério de Minas e Energia | 00s | 0.0122189 | 0.0116466 | 0.0232394 | 0.0219375 |
| Ministério de Minas e Energia | 10s | 0.0035716 | 0.0051375 | 0.0065268 | 0.0081581 |
| Ministério do Meio Ambiente | 70s | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Ministério do Meio Ambiente | 80s | 0.0250000 | 0.0790569 | 0.0250000 | 0.0790569 |
| Ministério do Meio Ambiente | 90s | 0.1831370 | 0.1089798 | 0.2359875 | 0.1240043 |
| Ministério do Meio Ambiente | 00s | 0.1394577 | 0.0602507 | 0.2639604 | 0.0864224 |
| Ministério do Meio Ambiente | 10s | 0.1452277 | 0.0975191 | 0.2720425 | 0.1248229 |
| Ministérios econômicos | 70s | 0.0034722 | 0.0104167 | 0.0042735 | 0.0128205 |
| Ministérios econômicos | 80s | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 |
| Ministérios econômicos | 90s | 0.0129005 | 0.0146338 | 0.0173432 | 0.0194198 |
| Ministérios econômicos | 00s | 0.0063783 | 0.0050250 | 0.0129857 | 0.0106609 |
| Ministérios econômicos | 10s | 0.0066438 | 0.0089418 | 0.0135728 | 0.0186502 |
freq_minist_tema %>% filter(!is.na(percentual) & !is.na(percentual_sogov)) %>%
group_by(org, Tema) %>% summarise(avg = mean(percentual),
sd = sd(percentual),
avg_sogov = mean(percentual_sogov),
sd_sogov = sd(percentual_sogov)) %>%
mutate(coef_var = sd/avg, coef_var_sogov = sd_sogov / avg_sogov) %>%
knitr::kable(caption = "% médio das orgs na comunidade, por tema")
## `summarise()` has grouped output by 'org'. You can override using the `.groups`
## argument.
| org | Tema | avg | sd | avg_sogov | sd_sogov | coef_var | coef_var_sogov |
|---|---|---|---|---|---|---|---|
| Ministério da Agricultura, Pecuária e Abastecimento | Biodiversidade | 0.1221783 | 0.1102824 | 0.1470514 | 0.1040400 | 0.9026347 | 0.7075077 |
| Ministério da Agricultura, Pecuária e Abastecimento | Clima | 0.0159366 | 0.0260550 | 0.0390509 | 0.0476053 | 1.6349090 | 1.2190557 |
| Ministério da Agricultura, Pecuária e Abastecimento | Des. Sustentável | 0.0115760 | 0.0136171 | 0.0174180 | 0.0176234 | 1.1763202 | 1.0117903 |
| Ministério da Agricultura, Pecuária e Abastecimento | Outros | 0.1325397 | 0.2190036 | 0.1400121 | 0.2191388 | 1.6523615 | 1.5651427 |
| Ministério da Ciência e Tecnologia | Biodiversidade | 0.0720435 | 0.0830126 | 0.0831781 | 0.0817013 | 1.1522561 | 0.9822443 |
| Ministério da Ciência e Tecnologia | Clima | 0.1481313 | 0.1176976 | 0.2437624 | 0.1320618 | 0.7945490 | 0.5417644 |
| Ministério da Ciência e Tecnologia | Des. Sustentável | 0.0136776 | 0.0153603 | 0.0276364 | 0.0278129 | 1.1230185 | 1.0063856 |
| Ministério da Ciência e Tecnologia | Outros | 0.0180373 | 0.0326111 | 0.0212053 | 0.0389852 | 1.8079803 | 1.8384672 |
| Ministério das Relações Exteriores | Biodiversidade | 0.2320745 | 0.1600681 | 0.2737876 | 0.1441478 | 0.6897269 | 0.5264952 |
| Ministério das Relações Exteriores | Clima | 0.2197490 | 0.2290918 | 0.3381892 | 0.2027035 | 1.0425159 | 0.5993791 |
| Ministério das Relações Exteriores | Des. Sustentável | 0.3252829 | 0.3243027 | 0.4529381 | 0.3479841 | 0.9969868 | 0.7682817 |
| Ministério das Relações Exteriores | Outros | 0.4140084 | 0.2161419 | 0.4657741 | 0.2185845 | 0.5220713 | 0.4692928 |
| Ministério de Minas e Energia | Biodiversidade | 0.0000000 | 0.0000000 | 0.0000000 | 0.0000000 | NaN | NaN |
| Ministério de Minas e Energia | Clima | 0.0137991 | 0.0194876 | 0.0272892 | 0.0370728 | 1.4122351 | 1.3585156 |
| Ministério de Minas e Energia | Des. Sustentável | 0.0065339 | 0.0062065 | 0.0147204 | 0.0151731 | 0.9498924 | 1.0307482 |
| Ministério de Minas e Energia | Outros | 0.0002391 | 0.0016389 | 0.0002997 | 0.0020544 | 6.8556546 | 6.8556546 |
| Ministério do Meio Ambiente | Biodiversidade | 0.2654417 | 0.1594356 | 0.3520801 | 0.1917535 | 0.6006426 | 0.5446305 |
| Ministério do Meio Ambiente | Clima | 0.0870294 | 0.0673150 | 0.1726416 | 0.1180164 | 0.7734741 | 0.6835921 |
| Ministério do Meio Ambiente | Des. Sustentável | 0.0361064 | 0.0359632 | 0.0809653 | 0.0868384 | 0.9960339 | 1.0725392 |
| Ministério do Meio Ambiente | Outros | 0.1708514 | 0.1503875 | 0.1970501 | 0.1723581 | 0.8802239 | 0.8746917 |
| Ministérios econômicos | Biodiversidade | 0.0052422 | 0.0187061 | 0.0066264 | 0.0223475 | 3.5683395 | 3.3725190 |
| Ministérios econômicos | Clima | 0.0101892 | 0.0119034 | 0.0216748 | 0.0218547 | 1.1682375 | 1.0083007 |
| Ministérios econômicos | Des. Sustentável | 0.0207261 | 0.0193001 | 0.0352222 | 0.0341466 | 0.9311954 | 0.9694607 |
| Ministérios econômicos | Outros | 0.0021030 | 0.0087976 | 0.0023622 | 0.0098200 | 4.1833440 | 4.1571907 |
orgs_princ %>%
filter(str_detect(org, "Agricultur")) %>%
left_join(eventos %>% select(conf, conference, tema)) %>%
mutate(decade = cut(ano, breaks = c(1970, 1979, 1989, 1999, 2009, 2019),
include.lowest = T,
labels = c("70s","80s","90s","00s","10s"),
ordered_result = TRUE)) %>%
group_by(decade, tema) %>% summarize(n()) %>%
knitr::kable(label = "Participações MAPA (tema)")
## Joining with `by = join_by(conf, tema)`
## `summarise()` has grouped output by 'decade'. You can override using the
## `.groups` argument.
| decade | tema | n() |
|---|---|---|
| 70s | Biodiversidade - Espécies | 2 |
| 70s | Florestas | 4 |
| 70s | Grandes conferências ONU | 1 |
| 80s | Biodiversidade - CBD | 1 |
| 80s | Biodiversidade - Espécies | 5 |
| 80s | Florestas | 5 |
| 90s | Biodiversidade - CBD | 8 |
| 90s | Biodiversidade - Espécies | 1 |
| 90s | Biodiversidade - Plantas | 9 |
| 90s | Desertificação | 2 |
| 90s | Grandes conferências ONU | 3 |
| 90s | Ozônio | 2 |
| 00s | Biodiversidade - CBD | 22 |
| 00s | Biodiversidade - Plantas | 24 |
| 00s | Clima | 25 |
| 00s | Desertificação | 3 |
| 00s | Lixo tóxico e químicos | 13 |
| 00s | Ozônio | 9 |
| 10s | Biodiversidade - CBD | 32 |
| 10s | Biodiversidade - Plantas | 25 |
| 10s | Clima | 46 |
| 10s | Florestas | 3 |
| 10s | Grandes conferências ONU | 12 |
| 10s | Lixo tóxico e químicos | 5 |
| 10s | Ozônio | 1 |
orgs_princ %>%
filter(str_detect(org, "Agricultur")) %>%
left_join(eventos %>% select(conf, conference, tema)) %>%
mutate(decade = cut(ano, breaks = c(1970, 1979, 1989, 1999, 2009, 2019),
include.lowest = T,
labels = c("70s","80s","90s","00s","10s"),
ordered_result = TRUE)) %>%
group_by(decade, conference) %>% summarize(n()) %>%
knitr::kable(label = "Participações MAPA (conference)")
## Joining with `by = join_by(conf, tema)`
## `summarise()` has grouped output by 'decade'. You can override using the
## `.groups` argument.
| decade | conference | n() |
|---|---|---|
| 70s | Convention on International Trade in Endangered Species of Wild Fauna and Flora | 2 |
| 70s | FAO Committee on Forestry | 4 |
| 70s | UNCHE | 1 |
| 80s | Convention on Biological Diversity | 1 |
| 80s | Convention on International Trade in Endangered Species of Wild Fauna and Flora | 4 |
| 80s | Convention on Migratory Species | 1 |
| 80s | FAO Committee on Forestry | 5 |
| 90s | Convention on Biological Diversity | 8 |
| 90s | Convention on International Trade in Endangered Species of Wild Fauna and Flora | 1 |
| 90s | International Plant Protection Convention | 1 |
| 90s | International Treaty on Plant Genetic Resources for Food and Agriculture | 8 |
| 90s | Montreal Protocol on Substances that Deplete the Ozone Layer | 2 |
| 90s | UN Convention to Combat Desertification | 2 |
| 90s | UNCED | 3 |
| 00s | Basel Convention on the Control of Transboundary Movements of Hazardous Wastes and their Disposal | 1 |
| 00s | Convention on Biological Diversity | 22 |
| 00s | International Conference on Chemicals Management | 1 |
| 00s | International Plant Protection Convention | 21 |
| 00s | International Treaty on Plant Genetic Resources for Food and Agriculture | 3 |
| 00s | Montreal Protocol on Substances that Deplete the Ozone Layer | 9 |
| 00s | Rotterdam Convention on the Prior Informed Consent Procedure for Certain Hazardous Chemicals and Pesticides in International Trade | 2 |
| 00s | Stockholm Convention on Persistent Organic Pollutants | 9 |
| 00s | UN Convention to Combat Desertification | 3 |
| 00s | UNFCCC | 25 |
| 10s | Basel Convention on the Control of Transboundary Movements of Hazardous Wastes and their Disposal | 3 |
| 10s | Convention on Biological Diversity | 32 |
| 10s | FAO Committee on Forestry | 3 |
| 10s | International Plant Protection Convention | 25 |
| 10s | Montreal Protocol on Substances that Deplete the Ozone Layer | 1 |
| 10s | Rotterdam Convention on the Prior Informed Consent Procedure for Certain Hazardous Chemicals and Pesticides in International Trade | 1 |
| 10s | Stockholm Convention on Persistent Organic Pollutants | 1 |
| 10s | UNCSD | 12 |
| 10s | UNFCCC | 46 |